改进的IGA在建筑造型创新设计中的应用

交互式遗传算法(IGA)通过人机交互以用户对个体的评估代替传统的适应度函数,在艺术设计等偏向于人类主观感受的领域具有很高的应用价值和广泛的现实意义。文中针对IGA中人的疲劳问题,提出了将根据配对个体之间的相似度值自适应地确定交叉率的方法引入IGA。通过这种方法,可以提高遗传寻优计算的效率,加快IGA的收敛速度,有效缓解用户疲劳。将该方法应用于建筑造型的创新设计中,证明该方法的巨大潜力。     

可视化交互式遗传算法及其在图像感性检索中的应用

提出了一种可视化IGA模型，结合GA在n维空间上快速搜索的优点和人类在2维空间上把握数据整体分布的能力，采用可视化的方法使用户主动参与搜索过程以加快遗传算法的收敛速度，从而减轻用户疲劳．采用主元分析的方法将n维空间中的个体向量映射到2维空间．并显示出来，用户可以在这个2维空间中选择一个好的个体加入遗传过程．以此来加速算法的收敛．实验证明可视化IGA较一般的IGA有更快的收敛速度，对减轻用户疲劳有很好的作用．该模型用于图像的感性检索，取得了较好的检索结果。     

自适应分区多代理模型交互式遗传算法

为提高交互式遗传算法的性能.提出一种自适应分区多代理模型交互式遗传算法.该算法基于关键维分割进化初期的搜索空间,同时基于进化进程、逼近精度以及用户评价敏感度,自适应地分割进化中后期的搜索空间.在子空间上,采用多类代理模型学习用户对进化个体评价,并用于评价后续进化的部分或全部个体.将该算法应用于服装进化设计系统,实验结果表明,算法在种群多样性、减轻用户疲劳及用户对优化结果满意度等方面均具有优越性.     

基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型

融合了用户认知和智能评价的交互式遗传算法（Interactive genetic algorithm,IGA）是解决一类定性性能指标优化问题的有效方法,但是,评价不确定性和易疲劳性极大地限制了该算法解决实际问题的能力. 基于用户已评价信息,采用合适的机器学习方法,构建用户认知代理模型是解决上述问题的常用方法之一. 但是,现有研究成果均没有考虑用户评价不确定性对学习样本、代理模型的影响,以及模型拟合不确定性对基于适应值的进化操作有效性的影响. 针对上述问题,本文提出基于加权多输出高斯过程（Gaussian process,GP）代理模型的交互式遗传算法. 首先,在区间适应值评价模式下,提取学习样本的噪声特性,以确定相应学习样本对代理模型的影响度权重系数,构建两输出高斯过程代理模型;然后,利用代理模型提供的预测值及预测置信水平,给出一种新的个体适应值估计方法和个体选择方法;基于模型预测信息,实现模型更新管理. 将所提算法分别应用于含噪函数和服装设计问题中,所得结果表明本文算法可更好地拟合和跟踪用户认知,减小对进化搜索的误导,更快找到用户满意解.     

新的基于相似度估计个体适应值的交互式遗传算法

该方法根据组成个体各基因意义单元值出现的频率,计算基因意义单元的权值,并基于此得到个体的相似度;根据个体与上代最优个体的相似度,选择需要由用户进行评价的个体;基于当代所有己评价个体的信息,估计未评价个体的适应值.将所提方法应用于窗帘进化设计系统,并与已有典型方法比较.结果表明,所提方法在减轻用户疲劳和提高搜索性能等方面均具有优越性.     

交互式遗传算法中用户评估方法研究

交互式遗传算法是针对一些应用领域存在的适应度函数难以明确表达的问题,通过用户参与遗传操作过程,对进化个体进行评估以代替计算过程的一种改进方法.但交互式遗传算法存在的一个主要问题是当遗传操作的收敛速度慢时,用户需对大量个体进行评估,尤其是在个体间相似程度较高时,容易产生疲劳现象.针对这种问题,本文提出了两种方法来提高收敛性,缩短评估过程,从而最终解决用户疲劳问题.对人脸识别问题的实验结果表明本文算法可以有效的解决用户疲劳问题.     

自适应分区多代理模型交互式遗传算法

为提高交互式遗传算法的性能,提出一种自适应分区多代理模型交互式遗传算法&.该算法基于关键维分割进化初期的搜索空间,同时基于进化进程,逼近精度以及用户评价敏感度,自适应地分割进化中后期的搜索空间.在子空间上,采用多类代理模型学习用户对进化个体评价,并用于评价后续进化的部分或全部个体.将该算法应用于服装进化设计系统,实验结果表明,算法在种群多样性,减轻用户疲劳及用户对优化结果满意度等方面均具有优越性.

     

基于IGA的用户Agent模型与设计

个性化信息检索与获取是目前理论与应用研究的一个热点.其解用户疲劳、加快算法的收敛.本文以图形检索为应用背景,提出了基于交互式遗传算法的用户Agent模型.该软件Agent针对现有研究的不足,将用户个性化信息获取与个性化检索集成在一起,两者相辅相成.在获取用户个性化信息时,我们设计了一种结合归纳和统计的用户情感计算机制,通过对前几代操作的结果进行归纳、计算,得到用户的特异性偏好;在利用用户情感偏好实现检索时,我们设计了利用个体偏好的引导进化方法来指导交互式遗传算法的选择、变异等操作.实验验证该模型在人脸图形检索中确实达到了体现用户个性化,有效缓解用户疲劳的目的.     

锦标赛选择交互式遗传算法及其应用

基于两个体比较的交互式遗传算法(Interactive Genetic Algorithm based on paired comparison,PC-IGA)允许用户在每次评估过程中比较两个个体并从中选择一个优胜者,以代替传统的用户评分方式,从而减轻用户的精神压力.但是,PC-IGA中用户比较次数太多,加重了用户的生理疲劳.为此,本文提出一种新的用户评估方式--锦标赛选择,并给出锦标赛选择交互式遗传算法(Interactive Genetic Algorithm Based on Toumament Selection,TS-IGA)的关键技术和实现步骤.将该算法应用于服装色彩优化系统,研究了种群规模和子种群规模的选择对算法性能的影响.最后,将该算法与PC-IGA进行对比实验,结果表明本文提出的算法在选择合适的子种群规模的情况下,能有效减少用户的比较次数和算法收敛时间,从而减轻用户疲劳.     

参数可变自适应遗传算法在军事地形图矢量化中的应用

针对纸制军事地图矢量化问题进行研究,提出一种基于自适应遗传算法的军事地形图矢量化方法,并在生成新的个体后,增加个体修正操作,提高个体的适应度。在该算法中,提出一种即考虑进化代数对算法的影响,又考虑到每代不同个体适应度作用的自适应交叉概率和变异概率。通过与传统方法的实验比较,证明该方法的可用性和有效性。